3.1 인구 데이터프레임 생성

구득한 인구데이터의 필요 없는 행과 열을 정리하여 불러왔습니다. 또한 반려견과 인구의 비를 구하기 위해 인구수 데이터의 구분자(,)를 제거하여 추후 숫자로 인식될 수 있게 하였습니다.

pop <- read_tsv("./data/seoul_pop(dong).txt")

dpop <- (pop[-c(1:3), -c(1, 4, 6:15)] %>% filter(행정동 == "소계"))[, -2]

dpop$인구 <- sub(",", "", dpop$인구)

dpop

# A tibble: 25 x 2
   자치구   인구  
   <chr>    <chr> 
 1 종로구   161869
 2 중구     136488
 3 용산구   245185
 4 성동구   308979
 5 광진구   366972
 6 동대문구 363023
 7 중랑구   402024
 8 성북구   454744
 9 강북구   317695
10 도봉구   335631
# ... with 15 more rows

3.2 반려견 데이터프레임 생성

구득한 데이터가 스프레드시트 형식이 아닌 관계로 25개 구의 이름과 수치를 기입하였습니다.

자치구 <- c("종로구", "중구", "용산구", "성동구", "광진구", "동대문구", "중랑구", 
    "성북구", "강북구", "도봉구", "노원구", "은평구", "서대문구", "마포구", "양천구", 
    "강서구", "구로구", "금천구", "영등포구", "동작구", "관악구", "서초구", "강남구", 
    "송파구", "강동구")
반려견수 <- c(5986, 5745, 10426, 12125, 15198, 12620, 12965, 13490, 13641, 14676, 
    15734, 15926, 10876, 13594, 17138, 18187, 11066, 7119, 13618, 13792, 19434, 14787, 
    24466, 24053, 14462)
pet <- tibble(자치구, 반려견수)
pet

# A tibble: 25 x 2
   자치구   반려견수
   <chr>       <dbl>
 1 종로구       5986
 2 중구         5745
 3 용산구      10426
 4 성동구      12125
 5 광진구      15198
 6 동대문구    12620
 7 중랑구      12965
 8 성북구      13490
 9 강북구      13641
10 도봉구      14676
# ... with 15 more rows

3.3 반려견/인구 비 구하기

무결성을 확인하기 위하여 반려견과 인구의 데이터프레임을 조인(Join)한 후, 값 변수 열만 추출한 뒤, 추출한 데이터를 반복문을 사용하여 비를 구하였습니다.

petpop <- pet %>% inner_join(dpop, by = "자치구")

popvector <- as.numeric(petpop$인구)
petvector <- as.numeric(petpop$반려견수)

p2p_ratio <- vector(mode = "numeric", length(popvector))
for (i in 1:length(popvector)) {
    p2p_ratio[i] <- (petvector[i]/popvector[i])
}

3.4 데이터 합치기

위의 값 변수 열을 가지고 새로운 데이터프레임을 만들었습니다. 추후 지도 dbf파일과 조인하기 쉽도록 자치구 변수 명을 SIG_KOR_NM으로 변경하였습니다.

SIG_KOR_NM <- 자치구
table1 <- tibble(SIG_KOR_NM, popvector, petvector, p2p_ratio)

table1

# A tibble: 25 x 4
   SIG_KOR_NM popvector petvector p2p_ratio
   <chr>          <dbl>     <dbl>     <dbl>
 1 종로구        161869      5986    0.0370
 2 중구          136488      5745    0.0421
 3 용산구        245185     10426    0.0425
 4 성동구        308979     12125    0.0392
 5 광진구        366972     15198    0.0414
 6 동대문구      363023     12620    0.0348
 7 중랑구        402024     12965    0.0322
 8 성북구        454744     13490    0.0297
 9 강북구        317695     13641    0.0429
10 도봉구        335631     14676    0.0437
# ... with 15 more rows

3.5 상관관계 분석

두 변수를 정규화한 후 상관관계를 분석하였습니다.

cortable <- transform(table1[, -c(1, 4)], N.pop = scale(popvector), N.pet = scale(petvector))[, 
    -c(1, 2)]

M <- cor(cortable)
corrplot.mixed(M)

3.6 산점도 그리기

산점도로 두 변수간 관계를 확인할 수 있었습니다.

ggplot(data = table1, aes(x = popvector, y = petvector)) + geom_point() + scale_x_continuous(labels = scales::comma) + 
    scale_y_continuous(labels = scales::comma) + stat_smooth(method = "lm", se = F) + 
    geom_text(x = 6e+05, y = 13000, label = "y = 0.428878x + 27.2159") + geom_text(x = 6e+05, 
    y = 12000, label = "R²= 0.7969")

summary(lm(petvector ~ popvector, table1))

Call:
lm(formula = petvector ~ popvector, data = table1)

Residuals:
    Min      1Q  Median      3Q     Max 
-4212.7  -849.0  -356.6  1133.2  5674.9 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 1.355e+03  1.400e+03   0.968    0.343    
popvector   3.169e-02  3.336e-03   9.499    2e-09 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2091 on 23 degrees of freedom
Multiple R-squared:  0.7969,    Adjusted R-squared:  0.788 
F-statistic: 90.23 on 1 and 23 DF,  p-value: 1.999e-09

인구수와 반려견수가 강한 상관관계를 보이는 것은 인구수가 많을수록 반려견을 많이 키우기 때문에 당연한 결과라고 볼 수 있습니다.

4.1 .shp 불러오기

eTL에서 받은 시군구 셰이프파일을 불러왔습니다. 한글 필드의 깨짐을 방지하기 위해 인코딩을 UTF-8로 설정하였습니다.
불러오기를 시행하고 head()함수를 사용하여 데이터를 잘 불러왔는지 확인하였습니다.

sigungu_shp <- readOGR(dsn = "./data", layer = "kr_si_gun-gu", encoding = "UTF-8", 
    stringsAsFactors = FALSE)

OGR data source with driver: ESRI Shapefile 
Source: "C:\Users\dydgn\OneDrive - 공주대학교\바탕 화면\Analytical_Methods_for_Spatial_Information_Assignment\Echo-03\data", layer: "kr_si_gun-gu"
with 250 features
It has 3 fields

head(sigungu_shp)

class       : SpatialPolygonsDataFrame 
features    : 6 
extent      : 950928.8, 966017.8, 1945376, 1959343  (xmin, xmax, ymin, ymax)
crs         : +proj=tmerc +lat_0=38 +lon_0=127.5 +k=0.9996 +x_0=1000000 +y_0=2000000 +ellps=GRS80 +units=m +no_defs 
variables   : 3
names       : SIG_CD,    SIG_ENG_NM, SIG_KOR_NM 
min values  :  11110, Dongdaemun-gu,     광진구 
max values  :  11230,    Yongsan-gu,       중구 

4.2 속성을 통한 선택

분석을 위해서는 서울 구 데이터만 필요하였으므로 시군구 코드가 ’11740’보다 작거나 같은 구만 선택하였습니다.

# sel by attr
m.sigungu_shp <- subset(sigungu_shp, SIG_CD <= 11740)

head(m.sigungu_shp)

class       : SpatialPolygonsDataFrame 
features    : 6 
extent      : 950928.8, 966017.8, 1945376, 1959343  (xmin, xmax, ymin, ymax)
crs         : +proj=tmerc +lat_0=38 +lon_0=127.5 +k=0.9996 +x_0=1000000 +y_0=2000000 +ellps=GRS80 +units=m +no_defs 
variables   : 3
names       : SIG_CD,    SIG_ENG_NM, SIG_KOR_NM 
min values  :  11110, Dongdaemun-gu,     광진구 
max values  :  11230,    Yongsan-gu,       중구 

4.3 데이터프레임에 조인

기존에 만들어둔 인구수, 반려견수, 반려견-인구비의 데이터프레임과 조인을 하였습니다. 해당 작업 후에 조인이 잘 이루어졌는지 확인하였습니다.

map_and_data <- merge(m.sigungu_shp, table1)

datatable(map_and_data@data, caption = "Attribute table", filter = "top")

4.4 지도 도식

‘tmap’라이브러리를 사용하여 도식하였습니다.

tmap_mode("view")
tm_shape(map_and_data) + tm_polygons("p2p_ratio", id = "SIG_KOR_NM", palette = "RdBu")

5.1 자료 추출

구득한 외국인수데이터의 필요 없는 행과 열을 정리하여 구별 외국인수 데이터를 추출하였습니다.

f.job <- read_tsv("./data/foreigner_job_dong.txt")
fpop <- select(f.job, 자치구, 행정동, 합계)
fpop <- subset(fpop, 행정동 == "소계")
fpop <- select(fpop, 자치구, 합계)
fpop <- rename(fpop, 자치구 = "자치구", 외국인인구 = "합계")
fpop

# A tibble: 25 x 2
   자치구   외국인인구
   <chr>         <dbl>
 1 종로구         8851
 2 중구           8671
 3 용산구        14613
 4 성동구         7990
 5 광진구        14715
 6 동대문구      13793
 7 중랑구         4736
 8 성북구        10249
 9 강북구         3557
10 도봉구         1995
# ... with 15 more rows

전체인구 자료와 등록반려견수 자료를 추출하여 새로운 데이터 프레임을 생성하였습니다.

tpop <- read_tsv("./data/seoul_pop(dong).txt")
tpop <- filter(tpop, "자치구" != 자치구)
tpop <- subset(tpop, 행정동 == "소계")
tpop <- select(tpop, 자치구, 인구)
tbl <- tpop %>% inner_join(fpop, by = "자치구")

tpop <- as.numeric(gsub(",", "", tbl$인구))
tbl <- select(tbl, 자치구, 외국인인구)
tbl <- mutate(tbl, tpop)
tbl <- rename(tbl, 자치구 = "자치구", 외국인인구 = "외국인인구", 전체인구 = "tpop")


dog <- read_csv("./data/dog_gu.csv")
tbl <- dog %>% inner_join(tbl, by = "자치구")

tbl

# A tibble: 25 x 4
   자치구    dogs 외국인인구 전체인구
   <chr>    <dbl>      <dbl>    <dbl>
 1 종로구    5986       8851   161869
 2 중구      5745       8671   136488
 3 용산구   10426      14613   245185
 4 성동구   12125       7990   308979
 5 광진구   15198      14715   366972
 6 동대문구 12620      13793   363023
 7 중랑구   12965       4736   402024
 8 성북구   13490      10249   454744
 9 강북구   13641       3557   317695
10 도봉구   14676       1995   335631
# ... with 15 more rows

5.2 외국인/전체인구 비

ft <- (tbl$외국인인구/tbl$전체인구)
tbl <- mutate(tbl, ft)
datatable(tbl, caption = "외국인-전체인구", filter = "top")

5.3 상관관계 분석

외국인수/전체인구수와 반려견수간의 상관관계를 분석하였습니다.

n <- cor(select(tbl, ft, dogs))
corrplot.mixed(n)

분석 결과 음의 상관관계를 보였는데, 이는 전체 인구 대비 외국인의 수가 많은 지역일 수록 등록된 반려동물의 수가 적음을 의미합니다.

5.4 지도 도식

저희가 분석한 결과 기사와는 다르게 외국인은 반려견을 키우는 데 있어 변수로 작용하지 않고 이를 넘어 반려견을 내국인에 비해 더 키우지 않는다는 것을 알 수 있었습니다.

tbl <- rename(tbl, SIG_KOR_NM = "자치구", dogs = "dogs", 외국인인구 = "외국인인구", 
    전체인구 = "전체인구", ft = "ft")
map_and_data2 <- merge(m.sigungu_shp, tbl)
datatable(map_and_data2@data, caption = "Attribute table", filter = "top")

# tmap_mode('view')
tm_shape(map_and_data2) + tm_polygons("ft", id = "SIG_KOR_NM", palette = "RdYlBu", 
    border.col = "black", border.lwd = 1, legend.show = TRUE) + tm_shape(map_and_data2) + 
    tm_bubbles("dogs", "yellow", border.lwd = 1, border.col = "white", scale = 3) + 
    tm_style("natural")

ggplot(tbl) + coord_flip() + theme(plot.title = element_text(size = 16)) + geom_bar(aes(x = reorder(SIG_KOR_NM, 
    ft), y = dogs, fill = ft), stat = "identity") + labs(x = "", y = "", title = "Foreigner ratio & Dogs") + 
    theme(text = element_text(family = "noto"), plot.title = element_text(face = "bold", 
        size = 15)) + scale_fill_gradientn(colors = c("#86E3CE", "#D0E6A5", "#FFDD94", 
    "#FA897B"))

6.1 동별 외국인수 자료 추출

국내 체류 외국인들이 어떤 직무에서 가장 많이 일하는지를 알아보고자 비자 유형별 외국인들이 몇 명 있는지 알아보았습니다.

f_job <- read_tsv("./data/foreigner_job_dong.txt")
f_job_1 <- t(f_job)
f_job_1 <- f_job_1[-c(1, 2, 3, 4), ]
f_job_1 <- f_job_1[, 1]
knitr::kable(f_job_1)

6.2 대표 직업 선정

각 비자별 외국인들이 총 몇 명 있는지를 order()함수를 통해 내림차순 정리하였습니다.

이 때, 1~8등, 13~15등을 차지하는 D-2비자, D-4비자, D-10와 F, G, H 비자는 논의 대상에서 제외했습니다. 이는 구하고자 하는 바는 비자 별 외국인 수가 아닌 구별 외국인 대표직업군 소득합계인데 해당 비자들은 이를 알기에 힘들기 때문입니다.

D-2, D-4 비자는 각각 유학생, 연수생, 구직자이기에 소득이 없는 사람들의 비자이며 F, G, H 비자는 결혼, 동거 등의 비자로 그들 소득의 평균을 가늠하기 힘들 정도로 그 값의 편차가 크기에 배제하였습니다.

f_job_des <- as.numeric((gsub(",", "", f_job_1)))
knitr::kable(f_job_1[order(-f_job_des)])

6.3 구별 직업 현황으로 변환

방대한 자료들 중 선정된 대표 직업군 5개에 대해서만 구별 현황을 알아보았습니다.

f_job <- subset(f_job, 행정동 == "소계")
f_job <- select(f_job, c("자치구", "기업투자(D-8)", "교수(E-1)", "회화지도(E-2)", 
    "특정활동(E-7)", "비전문취업(E-9)"))
f_job

# A tibble: 25 x 6
   자치구 `기업투자(D-8)` `교수(E-1)` `회화지도(E-2)` `특정활동(E-7)`
   <chr>  <chr>           <chr>       <chr>           <chr>          
 1 종로구 139             42          63              493            
 2 중구   215             29          28              443            
 3 용산구 1,079           122         690             1,086          
 4 성동구 39              33          85              183            
 5 광진구 32              66          102             262            
 6 동대문구~ 70              97          134             200            
 7 중랑구 12              2           43              59             
 8 성북구 49              90          151             189            
 9 강북구 9               13          62              42             
10 도봉구 5               2           75              33             
# ... with 15 more rows, and 1 more variable: `비전문취업(E-9)` <chr>

6.4 자료 병합

우선, 해당 직업군 외국인/전체인구 비율을 알고자 하였으므로 전체인구 자료를 추출, 병합하였습니다.

pop <- read_tsv("./data/seoul_pop(dong).txt")
pop <- filter(pop, "자치구" != 자치구)
g.pop <- subset(pop, 행정동 == "소계")
g.pop <- select(g.pop, 자치구, 인구)
g.pop

# A tibble: 25 x 2
   자치구   인구   
   <chr>    <chr>  
 1 종로구   161,869
 2 중구     136,488
 3 용산구   245,185
 4 성동구   308,979
 5 광진구   366,972
 6 동대문구 363,023
 7 중랑구   402,024
 8 성북구   454,744
 9 강북구   317,695
10 도봉구   335,631
# ... with 15 more rows

f_job_pop <- merge(f_job, g.pop, by = "자치구")
f_job_pop

   자치구 기업투자(D-8) 교수(E-1) 회화지도(E-2) 특정활동(E-7) 비전문취업(E-9)
1  강남구           375        13           463           905             199
2  강동구            26         3           145            94             218
3  강북구             9        13            62            42              89
4  강서구            34         9           109           197             222
5  관악구            24        90           175           280             132
6  광진구            32        66           102           262             120
7  구로구            79         5            80           146             317
8  금천구            22         -            28           118             495
9  노원구             9        53           164           106              24
10 도봉구             5         2            75            33             162
      인구
1  550,209
2  440,390
3  317,695
4  598,273
5  517,334
6  366,972
7  439,371
8  251,820
9  537,303
10 335,631
 [ reached 'max' / getOption("max.print") -- omitted 15 rows ]

이후 나눗셈을 위해 각 변수들 내 값들을 수치형 자료로 변환하는 과정을 거쳤습니다.

D8 <- as.numeric((gsub(",", "", f_job_pop$`기업투자(D-8)`)))
E1 <- as.numeric(f_job_pop$`교수(E-1)`)
E2 <- as.numeric(f_job_pop$`회화지도(E-2)`)
E7 <- as.numeric((gsub(",", "", f_job_pop$`특정활동(E-7)`)))
E9 <- as.numeric(f_job_pop$`비전문취업(E-9)`)
POP <- as.numeric((gsub(",", "", f_job_pop$인구)))

6.5 각 변수들 간 비율 계산 및 자료 병합

해당 직업군 외국인/내국인 수를 구하고, 각 직업군의 소득순위를 구하기 위해 자료를 병합하였습니다.

D8_ratio <- vector(mode = "numeric", length(POP))
for (i in 1:length(POP)) {
    D8_ratio[i] <- (D8[i]/POP[i])
}
E1_ratio <- vector(mode = "numeric", length(POP))
for (i in 1:length(POP)) {
    E1_ratio[i] <- (E1[i]/POP[i])
}
E2_ratio <- vector(mode = "numeric", length(POP))
for (i in 1:length(POP)) {
    E2_ratio[i] <- (E2[i]/POP[i])
}
E7_ratio <- vector(mode = "numeric", length(POP))
for (i in 1:length(POP)) {
    E7_ratio[i] <- (E7[i]/POP[i])
}
E9_ratio <- vector(mode = "numeric", length(POP))
for (i in 1:length(POP)) {
    E9_ratio[i] <- (E9[i]/POP[i])
}


ratio_table <- tibble(f_job_pop$자치구, D8_ratio, E1_ratio, E2_ratio, E7_ratio, E9_ratio)
ratio_table

# A tibble: 25 x 6
   `f_job_pop$자치구`  D8_ratio    E1_ratio E2_ratio  E7_ratio  E9_ratio
   <chr>                  <dbl>       <dbl>    <dbl>     <dbl>     <dbl>
 1 강남구             0.000682   0.0000236  0.000841 0.00164   0.000362 
 2 강동구             0.0000590  0.00000681 0.000329 0.000213  0.000495 
 3 강북구             0.0000283  0.0000409  0.000195 0.000132  0.000280 
 4 강서구             0.0000568  0.0000150  0.000182 0.000329  0.000371 
 5 관악구             0.0000464  0.000174   0.000338 0.000541  0.000255 
 6 광진구             0.0000872  0.000180   0.000278 0.000714  0.000327 
 7 구로구             0.000180   0.0000114  0.000182 0.000332  0.000721 
 8 금천구             0.0000874 NA          0.000111 0.000469  0.00197  
 9 노원구             0.0000168  0.0000986  0.000305 0.000197  0.0000447
10 도봉구             0.0000149  0.00000596 0.000223 0.0000983 0.000483 
# ... with 15 more rows

6.6 각 직업별 소득 고려

각 직종에 대해 1년 차에 평균적으로 지급하는 월급을 인터넷을 통해 구득하였습니다.

D8_income <- (ratio_table$D8_ratio * 4500)
E1_income <- (ratio_table$E1_ratio * 780)
E2_income <- (ratio_table$E2_ratio * 250)
E7_income <- (ratio_table$E7_ratio * 230)
E9_income <- (ratio_table$E9_ratio * 180)

E7 비자 : 통역, 번역가 등 전문, 준전문, 숙련기능 직종 > 230만 원 이상
E9 비자 : 제조업, 건설업 등 비전문 단순 노동 > 180만 원 이상
E2 비자 : (학원, 기업 등의) 원어민 강사 > 250만 원 이상
D8 비자 : 외국인 투자 기업(법인)을 설립, 주로 국내 기업 임원으로 활동 > 4500만 원 이상
E1 비자 : 대한민국의 대학 또는 이에 준하는 기관, 전문대학에서 연구, 연구지도 등의 활동에 대한 취업비자 > 780만원 이상

6.7 결측치 제거

금천구에서 E1 비자를 받은 사람이 한 명도 없기에 이를 0으로 바꿔주는 작업을 시행하며 비율*소득의 값을 알아내었습니다.

income_table <- tibble(f_job_pop$자치구, D8_income, E1_income, E2_income, E7_income, 
    E9_income)
is.na(income_table)

      f_job_pop$자치구 D8_income E1_income E2_income E7_income E9_income
 [1,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [2,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [3,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [4,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [5,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [6,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [7,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [8,]            FALSE     FALSE      TRUE     FALSE     FALSE     FALSE
 [9,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
[10,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
[11,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
[12,]            FALSE     FALSE     FALSE     FALSE     FALSE     FALSE
 [ getOption("max.print") 에 도달했습니다 -- 13 행들을 생략합니다 ]

income_table[is.na(income_table)] <- 0
income_table

# A tibble: 25 x 6
   `f_job_pop$자치구` D8_income E1_income E2_income E7_income E9_income
   <chr>                  <dbl>     <dbl>     <dbl>     <dbl>     <dbl>
 1 강남구                3.07     0.0184     0.210     0.378    0.0651 
 2 강동구                0.266    0.00531    0.0823    0.0491   0.0891 
 3 강북구                0.127    0.0319     0.0488    0.0304   0.0504 
 4 강서구                0.256    0.0117     0.0455    0.0757   0.0668 
 5 관악구                0.209    0.136      0.0846    0.124    0.0459 
 6 광진구                0.392    0.140      0.0695    0.164    0.0589 
 7 구로구                0.809    0.00888    0.0455    0.0764   0.130  
 8 금천구                0.393    0          0.0278    0.108    0.354  
 9 노원구                0.0754   0.0769     0.0763    0.0454   0.00804
10 도봉구                0.0670   0.00465    0.0559    0.0226   0.0869 
# ... with 15 more rows

6.8 외국인 총 소득 계산 (구별, 대표 직업 5개)

income_table = income_table[, -1]
income_table <- tibble(f_job_pop$자치구, rowSums(income_table))
income_table

# A tibble: 25 x 2
   `f_job_pop$자치구` `rowSums(income_table)`
   <chr>                                <dbl>
 1 강남구                               3.74 
 2 강동구                               0.491
 3 강북구                               0.289
 4 강서구                               0.456
 5 관악구                               0.599
 6 광진구                               0.825
 7 구로구                               1.07 
 8 금천구                               0.883
 9 노원구                               0.282
10 도봉구                               0.237
# ... with 15 more rows

6.9 외국인 소득-반려견 수 상관관계 분석

외국인 소득과 반려견 수와의 상관관계를 알고자 자료를 병합하였습니다.

colnames(income_table) = c("자치구", "income")
dog_gu <- read_csv("./data/dog_gu.csv")
f_income_dog <- merge(income_table, dog_gu, by = "자치구")
datatable(f_income_dog, caption = "소득비율-반려견", filter = "top")

f_income_dog = f_income_dog[, -1]
f_income_dog_cor <- cor(f_income_dog)
corrplot.mixed(f_income_dog_cor)

knitr::kable(f_income_dog_cor)

상관관계를 도출한 결과 –0.31이라는 상당히 높은 상관관계가 도출되었습니다.

즉, 소득이 높을수록 반려견을 적게 키운다는 사실을 알 수 있었습니다. 앞서 인용한 논문에서처럼 고소득 외국인들은 한 지역에 체류를 상대적으로 적게 하기에 저소득 외국인에 비해 반려견을 적게 키운다는 것을 알 수 있었습니다.